Resumen Técnico: Métodos de Predicción de KPI Basados en IA en Futuras Redes 6G: Un Estudio de Revisión

1. Definición del Problema y Motivación

La evolución de 5G hacia 5G-Advanced y la visión de 6G exigen un rendimiento de red sin precedentes, requiriendo el soporte de aplicaciones emergentes como la conducción autónoma, la automatización industrial y las comunicaciones inmersivas. La gestión de red reactiva tradicional es insuficiente para estos requisitos estrictos. En consecuencia, existe un cambio crítico hacia arquitecturas nativas de IA, donde la inteligencia se integra intrínsecamente en todas las capas de la red (RAN, núcleo y orquestación).

El problema central abordado es la necesidad de enfoques predictivos basados en datos para pronosticar los Indicadores Clave de Desempeño (KPI). A diferencia de la resolución de problemas reactiva, las redes nativas de IA requieren una "capa de detección predictiva" para percibir el estado, anticipar condiciones futuras y adaptar el comportamiento de manera proactiva. Este estudio se centra en la predicción de KPI basada en datos, definida como la inferencia de un valor de KPI desconocido ($y_{t+\tau}$) a partir de un conjunto de información disponible ($I_t^k$) que comprende mediciones históricas, contadores y variables contextuales. El problema abarca tanto la estimación (inferir el estado actual, $\tau=0$) como el pronóstico (predecir estados futuros, $\tau>0$).

La motivación de este estudio proviene de la fragmentación de la literatura existente. Los trabajos previos suelen tener un alcance limitado (centrándose en un solo KPI como el rendimiento o la cobertura) o están orientados a la arquitectura (tratando la predicción como un subcomponente de discusiones de sistemas más amplios), careciendo de una taxonomía unificada para comparar metodologías a través de diferentes familias de KPI, fuentes de datos y horizontes de predicción.

2. Metodología y Taxonomía

Los autores realizaron una revisión sistemática de 151 estudios de predicción de KPI basados en datos publicados entre enero de 2000 y principios de enero de 2026. La metodología se basa en una taxonomía multidimensional introducida para clasificar y comparar estos enfoques a lo largo de cuatro dimensiones ortogonales:

1. Tipo de KPI: El estudio categoriza los objetivos en cuatro familias:

   • Capacidad: Rendimiento (throughput), buen rendimiento (goodput) y eficiencia espectral a nivel de usuario, celda o segmento (slice).
   • Latencia: Retraso extremo a extremo, tiempo de ida y vuelta (RTT) y jitter, descompuestos en componentes de RAN, transporte y núcleo.
   • Cobertura/Calidad de Enlace: Métricas de fuerza y calidad de señal (Pérdida de Trayectoria, RSRP, RSSI, SINR, CQI) y mapas de cobertura espacial.
   • Fiabilidad: Tasas de error (BER, BLER, PER) y pérdida de paquetes, a menudo definidas como la entrega exitosa dentro de una restricción de latencia.

2. Fuente de Datos: Clasifica las entradas como trazas de medición reales, datos simulados/emulados, datos sintéticos o combinaciones híbridas.

3. Atributos de Predicción:

   • Pila de Protocolos: La capa en la que se predice el KPI (PHY, MAC, RLC, PDCP, IP, Aplicación).
   • Horizonte: Corto plazo (sub-minuto) vs. Largo plazo/Estático (horas a semanas).
   • Formulación de Salida: Estimaciones puntuales vs. salidas probabilísticas (distribuciones, intervalos).

4. Familia de Modelos: Desde modelos estadísticos clásicos (ARIMA, Regresión Lineal) y aprendizaje no supervisado (clustering, detección de anomalías) hasta aprendizaje supervisado (SVM, Random Forests), métodos de ensamble (XGBoost, LightGBM) y arquitecturas de aprendizaje profundo (CNN para datos espaciales, RNNs/LSTMs/Transformers para secuencias temporales, GNNs para topología).

El estudio analiza el estado del arte mapeando estos estudios en la taxonomía, proporcionando un panorama cuantitativo del campo e identificando sesgos metodológicos y brechas.

3. Contribuciones Principales

El artículo realiza cinco contribuciones primarias:

• Taxonomía Multidimensional Unificada: Introduce un marco estructurado que permite la comparación consistente entre estudios, revelando que las revisiones previas suelen carecer de una visión holística de las dependencias de los KPI y los compromisos metodológicos.
• Análisis del Panorama Cuantitativo: Al anotar 151 estudios, los autores proporcionan la primera distribución empírica del campo a través de familias de KPI, tipos de modelos, fuentes de datos y horizontes de predicción.
• Análisis Comparativo Centrado en KPI: El estudio ofrece una revisión sistemática de los enfoques de predicción para cada una de las cuatro familias de KPI, detallando la evolución desde los modelos estadísticos clásicos hacia el aprendizaje profundo y el aprendizaje por refuerzo, y mapeando los métodos a dominios de red específicos (RAN, Núcleo, Borde).
• Análisis de Sistema y Despliegue: Examina la integración práctica de los predictores dentro de los marcos de trabajo 3GPP (MnS, NWDAF) y O-RAN (RIC, xApps), abordando la recolección de datos, los procesos de entrenamiento y las restricciones operativas como la granularidad de la telemetría y los límites de recursos en el borde (edge).
• Identificación de Desafíos Abiertos y Hoja de Ruta: Los autores delinean limitaciones críticas que incluyen la reproducibilidad, la inconsistencia en las métricas de evaluación, las brechas de integración de "fuera de línea a vivo" (offline-to-live), los compromisos de latencia de inferencia y la necesidad de predictores explicables y que preserven la privacidad.

4. Resultados y Hallazgos

El estudio revela varias tendencias y hallazgos clave a través de las familias de KPI:

• Predicción de Capacidad: Mientras que los modelos clásicos (ARIMA, Regresión Lineal) sirven como bases de referencia, los métodos de ensamble (Random Forests, XGBoost) son el estándar de la industria para el pronóstico operativo debido a su robustez y escalabilidad. El aprendizaje profundo (LSTM, GRU, Transformers) se utiliza cada vez más para capturar dinámicas espacio-temporales complejas, aunque la generalización a través de bandas de espectro y configuraciones de hardware sigue siendo un desafío.
• Predicción de Latencia: Hay un cambio hacia el modelado de cola y de distribución (por ejemplo, redes de densidad mixta, regresión cuantíica) para manejar picos de latencia raros pero críticos, particularmente para URLLC. Los modelos de secuencia (LSTM, Transformers) son dominantes para capturar dependencias temporales, mientras que las Redes Neuronales de Grafos (GNN) están emergiendo para la inferencia a escala de red que involucra enrutamiento y topología.
• Predicción de Cobertura: El campo ha evolucionado de modelos estadísticos de pérdida de trayectoria a aprendizaje profundo multimodal. Las CNN y las redes de segmentación semántica (por ejemplo, U-Net) se utilizan para reconstruir Mapas de Entorno de Radio (REM) directamente a partir de imágenes satelitales y mapas 3D. Los marcos Bayesianos se adoptan cada vez más para descomponer la incertidumbre (aleatoria vs. epistémica) para una planificación consciente del riesgo.
• Predicción de Fiabilidad: Los predictores de tasas de error (BLER, PER) se están moviendo de fórmulas analíticas hacia enfoques basados en el aprendizaje que combinan prioris físicas con el reconocimiento de patrones basado en datos. Los modelos de secuencia son efectivos para detectar dinámicas de pérdida por ráfagas, y el Aprendizaje por Refuerzo (RL) se está integrando para la asignación proactiva de recursos para mantener los objetivos de fiabilidad.

Observaciones Sistémicas:

• Disponibilidad de Datos: Los estudios basados en mediciones dominan la investigación de capacidad y latencia, mientras que los estudios de fiabilidad dependen fuertmente de la simulación debido a la escasez de datos de fallos etiquetados.
• Reproducibilidad: Solo aproximadamente el 8% de los estudios proporcionan código público, y cerca del 20% proporciona datos, lo que dificulta la comparación directa y el progreso acumulativo.
• Métricas de Evaluación: Existe una falta de estandarización; los estudios de cobertura/capacidad suelen utilizar métricas de error puntual (RMSE, MAE), mientras que los estudios de latencia/fiabilidad requieren métricas sensibles a la cola (p95/p99, NLL) que no siempre se reportan.

5. Significado y Reivindicaciones

El artículo se posiciona como la primera revisión exhaustiva y sistemática de los métodos de predicción de KPI basados en datos específicamente diseñados para las futuras redes 6G. Su importancia radica en:

1. Cerrar la Brecha: Conecta los algoritmos de predicción teóricos con las realidades de despliegue práctico en los ecosistemas 3GPP y O-RAN, resaltando la brecha de integración "offline-to-live".
2. Hoja de Ruta para la Automatización Nativa de IA: Argumenta que la predicción precisa de KPI es el habilitador fundamental para las operaciones de red impulsadas por la intención y sin intervención humana (zero-touch). Sin una predicción fiable, los bucles de control autónomos no pueden funcionar de manera segura o eficiente.
3. Definición de Direcciones Futuras: El estudio hace un llamado explícito a pasar de las mejoras aisladas de precisión hacia sistemas robustos, conscientes de la incertidumbre y mantenibles. Enfatiza la necesidad de:
   • Benchmarks estandarizados y conjuntos de datos abiertos para mejorar la reproducibilidad.
   • Predicciones probabilísticas y explicables para apoyar la toma de decisiones consciente del riesgo.
   • Gestión sostenible del ciclo de vida de los datos para manejar el concepto de deriva (concept drift) y el envejecimiento de los modelos en entornos dinámicos de 6G.

Los autores concluyen que, si bien la predicción de KPI ha madurado significamente, la próxima frontera no reside en ganancias incrementales de precisión, sino en asegurar la robustez del despliegue, la generalización a través de dominios y la integración segura en sistemas de control de bucle cerrado.